知识卡片
ReLU与失活
ReLU(x)=max(0,x):正输入保持原值,负输入输出零;正侧导数为 1,负侧为 0,在零点不可导。它有助于缓解饱和激活的某些梯度问题,但不能保证整个网络不发生梯度消失。长期落在负侧的单元可能失活,Leaky ReLU 通过负侧小斜率缓解。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 深度神经网络:误差倒查分解 · 查看原书依据
ReLU函数也有缺点,比如当输入为负时函数值为0,这会导致网络某些权重不能更新,这种现象称为“Dying ReLU”
参考来源
- 位置:《破解深度学习(基础篇)_模型算法与实现》第4章《深度神经网络:误差倒查分解》(来源项目 book-source:`extracted/破解深度学习(基础篇)_模型算法与实现/_epub-src/EPUB/xhtml/qz03_0007.xhtml`,4.1—4.2及对应公式图)
- 结论依据:原文与图示说明模型、激活和训练目标;卡片对需要的数学条件作限定。
- 原始内容:ReLU函数也有缺点,比如当输入为负时函数值为0,这会导致网络某些权重不能更新,这种现象称为“Dying ReLU”